抗乳腺癌活性化合物的ADMET性质预测模型

为提升抗乳腺癌药物虚拟筛C59研究购买选过程中吸收（absorption）﹑分配（distribution）﹑代谢（metabolism）、排泄（excretion）﹑毒性（toxicity）等属性的预测能力，提出一种抗乳腺癌药物定量结构-ADMET性质预测模型.首先，从化合物的分子描述符数据中遴选出对ADMET性质具有影响的3寻找更多19个特征变量；然后，以逻辑回归（Logistic Regression,LR）、朴素贝叶斯（Na?ve Bayes,NB）、梯度提升决策树（Gradient Boosting Decision Tree,GBDHepatic angiosarcomaT）作为ADMET分类预测的候选模型，筛选出GBDT模型为最优模型；最后，针对GBDT模型训练成本较高的问题，借助概率代理模型拟合超参数与预测精度之间的关系(即黑箱模型)构建GBDT*模型.结果显示，GBDT*集成学习模型整体表现最优，准确率、精准率、灵敏度、AUC指标分别达90%、88%、89%、0.95以上，误报率低于15%，表明GBDT*集成机器学习模型在抗乳腺癌活性化合物的ADMET性质预测方面具有良好的性能.